핵심 내용
Blue Cross Blue Shield Association은 9월 24일 미국 병원 청구데이터를 분석한 결과, 입원환자가 더 높은 중증도 범주로 코딩되는 비율이 2023년 초 약 37%에서 2025년 말 약 40%로 증가했고 이 변화가 2024~2025년 Blue Cross 계열 보험사의 지출을 약 9억4,200만 달러 늘린 것으로 추정된다고 발표했다. 이 가운데 약 6억5,300만 달러는 주된 진단 외에 추가된 secondary diagnosis가 더 높은 보상등급을 만드는 데서 발생한 것으로 분석했다. BCBS
BCBSA는 병원의 AI 기반 임상문서·코딩 도구가 진료기록과 검사값에서 추가 진단가능 항목을 찾아내는 능력이 커진 것이 중요한 요인이라고 본다. 그러나 이 분석만으로 AI가 추가 비용의 직접적 원인이라고 확정할 수는 없다. 연구는 보험 청구자료를 기반으로 했으며 모든 병원의 실제 도구 사용상태를 개별적으로 추적한 임상시험이 아니다. BCBSA 역시 핵심 문제를 더 많은 진단이 청구되는데 실제 제공된 치료가 이에 비례해 달라졌다는 증거가 보이지 않는 현상으로 설명한다. BCBS
배경
생성형 AI와 ambient scribe는 의료진의 문서업무를 줄이는 동시에 진료기록 속에서 이전에는 놓쳤던 진단·합병증 코드를 더 체계적으로 발견할 수 있다. 미국의 DRG 기반 입원비 지급에서는 추가적인 합병증·동반질환 코드 하나가 동일한 치료라도 더 높은 보상범주로 이동시키는 경우가 있다. 즉 AI가 거짓 정보를 생성하지 않더라도 결제시스템이 보상하는 항목을 더 적극적으로 찾아내면서 경제적 결과를 바꿀 수 있다.
병원 측에서는 실제 환자 복잡도가 높아졌거나 과거에 충분히 기록되지 않았던 질환을 AI가 더 정확하게 포착한 것일 수 있다는 반론이 가능하다. 따라서 이 자료는 AI 도입과 청구강도 상승 사이의 중요한 신호지만, 부적절한 upcoding을 개별 사례 수준에서 입증한 결과로 해석해서는 안 된다.
산업·시장에 미치는 영향
의료 AI의 ROI를 임상 생산성과 문서시간 절약만으로 평가하기 어려워졌다. 같은 도구가 보험청구, 환자기록, 품질지표와 위험조정 점수까지 바꿀 수 있기 때문에 의료기관·보험사·규제기관 모두 AI가 만드는 경제적 유인을 별도로 감시할 필요가 있다.
또한 AI 거버넌스의 평가대상이 모델의 정답률에서 실제 업무시스템의 금전적 행동까지 확대될 수 있다. 금융, 보험, 광고, 물류 등 인센티브 구조가 강한 분야에서도 모델이 직접 지시받지 않았더라도 측정 가능한 지표를 최적화하면서 비용이나 수익 배분을 바꿀 가능성이 있다.
실무에서 바로 활용할 수 있는 시사점
AI를 청구·가격·심사·리스크 점수에 사용하는 조직은 모델 정확도 외에 도입 전후의 경제적 분포 변화도 모니터링해야 한다. 예를 들어 중증도 분포, 평균 청구액, 특정 보상코드 빈도, 실제 치료강도와의 차이를 shadow dashboard로 추적하고 급격한 변화는 사람이 샘플링해 검토하는 방식이 적절하다. 모델이 발견한 항목이 사실이라고 해서 해당 항목의 경제적 사용까지 자동으로 정당화되는 것은 아니라는 점을 시스템 설계에 반영할 필요가 있다.